Utilizing the whole genomic variation of complex traits to predict the yet-to-be observed phenotypes or unobserved genetic values via whole genome prediction (WGP) and to infer the underlying genetic architecture via genome wide association study (GWAS) is an interesting and fast developing area in the context of human disease studies as well as in animal and plant breeding. Though thousands of significant loci for several species were detected via GWAS in the past decade, they were not used directly to improve WGP due to lack of proper models. Here, we propose a generalized way of building trait-specific genomic relationship matrices which can exploit GWAS results in WGP via a best linear unbiased prediction (BLUP) model for which we suggest the name BLUP|GA. Results from two illustrative examples show that using already existing GWAS results from public databases in BLUP|GA improved the accuracy of WGP for two out of the three model traits in a dairy cattle data set, and for nine out of the 11 traits in a rice diversity data set, compared to the reference methods GBLUP and BayesB. While BLUP|GA outperforms BayesB, its required computing time is comparable to GBLUP. Further simulation results suggest that accounting for publicly available GWAS results is potentially more useful for WGP utilizing smaller data sets and/or traits of low heritability, depending on the genetic architecture of the trait under consideration. To our knowledge, this is the first study incorporating public GWAS results formally into the standard GBLUP model and we think that the BLUP|GA approach deserves further investigations in animal breeding, plant breeding as well as human genetics.

Abstract Transcription at most promoters is divergent, initiating at closely spaced oppositely oriented core promoters to produce sense transcripts along with often unstable upstream antisense (uasTrx). How antisense transcription is regulated and to what extent it is coordinated with sense transcription is largely unknown. Here by combining acute degradation of the multi-functional transcription factor CTCF and nascent transcription measurements, we find that CTCF specifically suppresses antisense but not sense transcription at hundreds of divergent promoters, the great majority of which bear proximal CTCF binding sites. Genome editing, chromatin conformation studies, and high-resolution transcript mapping revealed that precisely positioned CTCF directly suppresses the initiation of uasTrx, in a manner independent of its chromatin architectural function. Primary transcript RNA FISH revealed co-bursting of sense and anti-sense transcripts is disfavored, suggesting CTCF-regulated competition for transcription initiation. In sum, CTCF shapes the transcriptional landscape in part by suppressing upstream antisense transcription.

ABSTRACT Pigs not only function as a major meat source worldwide but also are commonly used as an animal model for studying human complex traits. A large haplotype reference panel has been used to facilitate efficient phasing and imputation of relatively sparse genome-wide microarray chips and low-coverage sequencing data. Using the imputed genotypes in the downstream analysis, such as GWASs, TWASs, eQTL mapping and genomic prediction (GS), is beneficial for obtaining novel findings. However, currently, there is still a lack of publicly available and high-quality pig reference panels with large sample sizes and high diversity, which greatly limits the application of genotype imputation in pigs. In response, we built the pig Haplotype Reference Panel (PHARP) database. PHARP provides a reference panel of 2,012 pig haplotypes at 34 million SNPs constructed using whole-genome sequence data from more than 49 studies of 71 pig breeds. It also provides Web-based analytical tools that allow researchers to carry out phasing and imputation consistently and efficiently. PHARP is freely accessible at http://alphaindex.zju.edu.cn/PHARP/index.php . We demonstrate its applicability for pig commercial 50K SNP arrays, by accurately imputing 2.6 billion genotypes at a concordance rate value of 0.971 in 81 Large White pigs (~ 17× sequencing coverage). We also applied our reference panel to impute the low-density SNP chip into the high-density data for three GWASs and found novel significantly associated SNPs that might be casual variants.

Abstract Follicle development is a complex dynamic process. The follicles are encapsulated in the stroma, and once the follicle develops, the follicle moves from the cortex to the medulla and finally to the cortex to ovulate in the process of continuous growth. Many of these processes cannot be explained with the follicle alone. Through single-cell and spatial transcriptome sequencing at key time points of follicular development in mice after birth, we found that ovarian stromal cells are not only one of the main cell groups that make up the ovary but that their cell population and spatial location are also closely related to follicular development. Through analysis of cell communication, it was found that ovarian stromal cells were the main transmitters of intercellular communication, and many of the signals they sent were received by granulosa cells and oocytes to participate in follicle development. Ovarian stromal cells are not a homogeneous cell population. We combined single cell types with their spatial location information to divide ovarian stromal cells into four types, namely, structural stromal cells, perifollicular stromal cells, stromal progenitor cells, and steroidogenic stromal cells, each of which plays a different function in follicle development. Indepth studies of the different spatial locations and different types of stromal cells will expand our understanding of follicle development dynamics, leading to new targets and novel approaches for the treatment of ovarian-related diseases.

Understanding the molecular and cellular mechanisms that underlie complex traits in pigs is crucial for enhancing their genetic improvement program and unleashing their substantial potentials in human biomedicine research. Here, we conducted a meta-GWAS analysis for 232 complex traits with 28.3 million imputed whole-genome sequence variants in 70,328 individuals from 14 pig breeds. We identified a total of 6,878 genomic regions associated with 139 complex traits. By integrating with the Pig Genotype-Tissue Expression (PigGTEx) resource, we systemically explored the biological context and regulatory circuits through which these trait-associated variants act and finally prioritized 16,664 variant-gene-tissue-trait circuits. For instance, rs344053754 regulates the expression of UGT2B31 in the liver by affecting the activity of regulatory elements and ultimately affects litter weight at weaning. Furthermore, we investigated the conservation of genetic and regulatory mechanisms underlying 136 human traits and 232 pig traits. Overall, our multi-breed meta-GWAS in pigs provides invaluable resources and novel insights for understanding the regulatory and evolutionary mechanisms of complex traits in pigs and humans.

Abstract The systematic characterization of cellular heterogeneity among tissues and cell-type-specific regulation underlying complex phenotypes remains elusive in pigs. Within the Pig Genotype-Tissue Expression (PigGTEx) project, we present a single-cell transcriptome atlas of adult pigs encompassing 229,268 high-quality nuclei from 19 tissues, annotated to 67 major cell types. Besides cellular heterogeneity within and across tissues, we further characterize prominent tissue-specific features and functions of muscle, epithelial, and immune cells. Through deconvoluting 3,921 bulk RNA-seq samples from 17 matching tissues, we dissect thousands of genetic variants with cell-type interaction effects on gene expression (ieQTL). By colocalizing these ieQTL with variants associated with 268 complex traits, we provide new insights into the cellular mechanisms behind these traits. Moreover, we highlight that orthologous genes with cell-type-specific regulation in pigs exhibit significant heritability enrichment for some human complex phenotypes. Altogether, our work provides a valuable resource and highlights novel insights in cellular regulation of complex traits for accelerating pig precision breeding and human biomedical research.

The quality of pork meat directly influences the price and consumption. The genetic improvement of pigs has mainly focused on high productive efficiency, which has resulted in poor meat quality. Crossbreeds containing commercial and indigenous breeds could improve the meat quality, but identifying breed composition was difficult because of the lack of an ancestry reference panel. Therefore, we first constructed an abundant reference panel and convenient pipeline to identify ancestry/breed composition. The ancestry reference panel consisted of 517 reliable individuals, including three commercial breeds (Duroc, Landrace, and Yorkshire) and 38 indigenous Chinese breeds. The nature of the reference panel showed that the European domestic breed (EUD) and Asian domestic breed (ASD) were distinctly divided into two clusters. The evaluation of ancestry identification revealed that the reference panel performed well in identifying EUD and ASD ancestry proportions for commercial breeds, indigenous breeds, and crossbreeds. In addition, the ancestry reference panel also performed excellently in identifying breed composition for 3 commercial and 38 indigenous breeds. Specifically, the reference panel showed the outstanding identification of breed composition for crossbred individuals. These results suggested that the ancestry reference panel and convenient pipeline played a good role in identifying breed composition for pigs.

Abstract The assessment of genomic conservation between human and pig at the functional level can help understand and improve the potential of pig as a human biomedical model. To address this, we developed a Deep learning-based approach to learn the G enomic C onservation at the F unctional level (DeepGCF) between species by integrating 386 and 374 epigenome and transcriptome profiles from human and pig, respectively. DeepGCF demonstrated a better prediction performance compared to the previous functional conservation prediction method. In addition, we showed that the resulting DeepGCF score captures the functional conservation by examining DeepGCF on chromatin states, sequence ontologies, and regulatory variants. Regions with higher DeepGCF score play a more important role in regulatory activities and show heritability enrichment in human complex traits and diseases. Our DeepGCF approach shows a promising application on the comparison of cross-species functional conservation, and the model framework can be easily adapted to other species. By expanding the model to integrate the functional profiles of multiple species, including human, mouse, pig, cattle, and other livestock animals in the future, the functional conservation information will provide additional insight into the genetic and evolutionary mechanisms behind complex traits and diseases.